1
新药研发，九死一生

新药研发速度慢，失败率高一直都是全世界的药物研发企业所面临的问题，俗话说：“新药研发，九死一生”，研究十个能成一个就不错了，还得靠运气。新药研发时间长，成功率低已变成医药研发界的代名词。药物从无到有，要经历一个漫长的时间过程，我们谁也不知道在这条曲折的路上还有多少坑要迈过去，因为新药研发的不确定性太多了，从实验室研究到新药上市要经过合成提取、生物筛选、药理、毒理等临床前试验等一系列过程，每一步骤都可能需要若干次的失败来总结经验。

如此复杂的研发过程再加上过程中无法预料的情况，使得在研发的每一个阶段都有可能失败，一旦研发失败，巨额投入血本无归也非罕见。药物从研发到注册，研发时间周期长平均要经历10年，体系复杂，总的资金投入至少要10亿美元。并且不是说投入了就能够做出来，因为一个药物研发的成功率也只有10%，所以说新药研发是一个高风险的行动。

2
人工智能加入医药研发领域，
头部药企入局

近年来，人工智能（英语：Artificial Intelligence，缩写为AI）参与药物的研发过程，被提及的越来越多，网上不时曝出某某制药巨头与某互联网公司达成强强合作。医药研发或告别“十年磨一剑”的旧时代，去年下半年以来，AI药物研发迎来投资密集期。

医药界大佬辉瑞(Pfizer )更是于2016年就与IBM Watson合作，以加速免疫肿瘤学领域的药物发现。葛兰素史克一直是利用人工智能的主要制药公司之一——葛兰素史克(GlaxoSmithKline)是“加速医疗机会疗法”联盟(ATOM)的创始成员之一。其它入局的还有强生与Benevolent AI、默沙东与Atomwise、武田制药与Numerate、赛诺菲与Exscientia。

与此同时，非医药出身领域的百度、腾讯、华为、字节跳动等科技巨头也纷纷布局AI医药领域。今年年初，百度创始人李彦宏牵头发起的百图生科发起“百万领军计划”及“百万青年领军”计划，将分别用100万美元年薪、100万元人民币年薪以及其他技术平台支持，吸引生物技术+AI技术跨界融合人才。

李彦宏预测，未来人工智能在公共卫生监测、新药研发和疾病诊断等方面大有可为。此前，字节跳动、华为均开始招聘生物医药相关岗位，腾讯则发布了由其自主研发的首个AI驱动的药物发现平台云深智药。在今年人工智能药物研发公司英矽智能宣布，以人工智能贯穿药物发现环节（包括机制发现、靶点发现及找到新化合物），成功发现了全新机制药物，这在全球尚属首例。

“研发中仅用时18个月、研发经费约合200万美元。相较于传统药物研发10年耗资几十亿美元，AI赋能药物研发极大缩短了药物研发时间，又大大降低了成本。”无疑让新药研发看到了希望。

3
AI介入医药研发，
有望改变未来研发格局

药这种东西有一个非常明显的个体属性。目前已知的化合物结构空间，数量相当庞大，我们能找到的药物的分子数或达到1060，AI就是帮我们在所研究的化学空间中找出有用的分子，这也是我们在研究中一直关注的问题，面对1060的空间，我们怎样用一个更好的数学方法把它们表示出来。

一个分子能够成为药，它在多方面是优秀的——它既要有很好的药效，同时也可以被很好的吸收，同时不应该有毒性等等，我们的研发过程中就是要找到这些孤立的小岛。通过计算机，我们可以轻易的从化学结构库中找到几十万个或者几百万个相似的分子，让它具有相似的成药的可能性，相对于让人去在纸上去画出结构再去对比研究（可能你画一万个分子就已经累够呛了），AI可以代替我们去搜索更大的化合物空间，从而为发现新药提供更多的可能性。

新药研发面临的第二个难题就是：通常很微观的东西我们就很难去判断它。对于化合物本身，它有自己的语言，AI可以学习到这种化学结构的语言。AI可以作曲，可以画画，因此AI也可以画化学分子，通过去学习了大量的分子结构数据以后，它学到了一些化学知识，然后它开始去产生这些分子结构，它可能会画出化学家所想象不到的化合物结构，这些结构也可能是非常不合理的，这种AI在学习了化学知识以后随机的产生分布，其中有许多并不是我们想要的。

我们想找到的是那些真正高质量的结构，就需要通过一定的规则去告诉它，我们到底需要什么样的分子结构，AI通过实践学习，能够真正的去找到那些可以成药的结构，在虚拟的空间中去发现一个真正的药物，从这个角度来看我们其实是利用了化学知识来尝试和人自身进行一场对话，尝试让AI在分子层面上去理解。

我们知道通过碱基可以形成DNA序列，然后DNA通过生物学的过程可以去指导蛋白质的合成，我们告诉AI蛋白质是由20种氨基酸按照一定的规律排列起来的，不同的排列会有不同的功能，当AI知道可以用计算的方法去计算蛋白质的序列，通过学习这些知识让AI可以知道这些结构是怎么影响生物的功能的，不同的蛋白质之间，通过三维结构如何产生对话，从而影响到彼此，我们需要AI做的事情就是把我们对生物学语言的理解，对化学语言的理解，让它把这些语言组合到一起，从而能够找到与疾病相关的蛋白质最匹配的化学分子，最后发展成治愈我们疾病药物。

4
AI研发还有不确定性
未来还需更深入探索

当然AI制药目前也有一定的局限性，在人工智能参与新药研发的路上还是会面临很多的挑战，比如说如何把各个药企的数据结合到一起，利用更多高质量的数据去做好的分子模型。当然还有跨学科合作的问题，我们要汇聚化学、生物学、计算机、数学、统计等等多学科的人才，这些不同的技术人员之间怎样有效的沟通理解，也是一个需要解决的困难。

目前AI制药研发中的现状是，靶点发现和药物设计最热，AI赋能的靶点发现和药物设计是极具价值的应用方向，也是药物研发最大的痛点之一，同样也是最多公司目前开始布局的环节。

AI介入后，更大化学空间探索的实现和更多分子生成方式的产生，使更新颖分子的获取成为可能，能快速识别处理繁多的数据，并找出逻辑关系从而实现智能推荐更少更优的分子，缩减任务量，使研发更高效。所以说在任何一个新兴科技领域，挑战和阻碍都将是持续存在的。

从技术的视角看，目前在AI医药研发方向上比较明确的挑战和阻碍有两方面：一是认知层面，AI+医药横跨了多个学科，如何提出具有正确的目标导向的问题、用多学科融合的视角思考解决问题的路径本身就是最大的挑战。

另外，数据也是当下该领域面临的一大挑战，比如数据的量、质、标准以及孤岛效应等。但AI制药的前景必然是光明的，AI制药技术的进一步突破和创新定会对整个医药研发产生重大意义。